INTRODUCCIÓN

La inserción de las TIC en la educación ha generado transformaciones significativas en las formas de enseñar y aprender (Saltos-Rivas et al., 2022). La pandemia intensificó la integración de herramientas digitales para apoyar los procesos educativos (Macías Villarreal et al., 2024), impulsando la búsqueda de soluciones tecnológicas y la adecuación de entornos virtuales para la enseñanza a distancia (Area-Moreira, 2021).

En este contexto, el e-learning, entendido como una modalidad educativa donde docente y estudiante interactúan en diferentes tiempos y espacios, utilizando la tecnología como principal medio de mediación (Finch y Jacobs, 2012; García Aretio, 2020), ha experimentado un gran crecimiento tanto en la oferta académica como en la matrícula. El e-learning puede asimilarse al concepto de aprendizaje a distancia, caracterizado por la desconexión geográfica entre instructor y estudiante (Moore y Kearsley, 2012; Traxler, 2018), una modalidad que, aunque históricamente se realizó por distintas vías, hoy se ha enriquecido con tecnologías digitales. A su vez, el aprendizaje virtual se define como aquel desarrollado en un entorno que utiliza tecnologías digitales para facilitar el proceso de enseñanza-aprendizaje (Picciano, 2017), y puede ocurrir de manera sincrónica o asincrónica (Coman et al., 2020). Por su parte, la educación online se refiere a una modalidad educativa que se lleva a cabo completamente a través de internet, e incluye la entrega de contenido, la realización de actividades y evaluaciones, y la interacción entre estudiantes y profesores (Anderson, 2008). Todas estas modalidades comparten la mediación del aprendizaje a través de medios digitales, permitiendo a las instituciones utilizar cada enfoque según sus objetivos y recursos disponibles. Para este estudio, el concepto de aprendizaje virtual englobará cualquiera de estas perspectivas.

Cada vez más instituciones ofrecen programas en estas modalidades, ampliando el acceso a la educación (OCDE, 2018). Esto atrae a un amplio grupo de personas que buscan compatibilizar estudios, trabajo y vida personal/familiar gracias a la flexibilidad y reducción de limitaciones geográficas que estas modalidades permiten. Este crecimiento ha planteado un desafío para las instituciones que ofrecen formación virtual, pues deben encontrar estrategias que apoyen el éxito académico de una población estudiantil diversa (Romero Alonso y Anzola Vera, 2022). En estas modalidades, el uso de plataformas educativas es constante, y su adaptación a las necesidades de los estudiantes es crucial (Essa et al., 2023; Sanchez-Santillan et al., 2016). La gran cantidad de datos generados en la interacción virtual ha llevado a explorar su potencial para configurar sistemas que respondan mejor a los desafíos educativos (Ennouamani y Mahani, 2017). En este sentido, la inteligencia artificial (IA), definida como el estudio de agentes que perciben su entorno y ejecutan acciones (Russell y Norvig, 2020), surge como una oportunidad para personalizar y adaptar sistemas educativos virtuales (Ennouamani y Mahani, 2017; Ilić et al., 2023).

La IA, surgida en la década de 1950, inicialmente se centró en la creación de programas capaces de realizar tareas específicas y resolver problemas matemáticos básicos (McCarthy, 2007). Con el avance de la tecnología, surgieron enfoques más sofisticados, como el aprendizaje automático y las redes neuronales, que permitieron a las máquinas aprender de los datos y mejorar su desempeño con el tiempo (Russell y Norvig, 2020). En el aprendizaje virtual, las técnicas inteligentes han sido fundamentales para modelar, orientar, retroalimentar y personalizar la experiencia educativa mediante la recomendación de rutas e interfaces de aprendizaje adaptativos (Tang et al., 2021). Estas técnicas han demostrado ser efectivas para mejorar la participación de los estudiantes (Bodily et al., 2018; Kim et al., 2016; Mamcenko y Kurilovas, 2017), aumentar su motivación (Hobert y Meyer von Wolff, 2019; Sharma et al., 2020; Tenório et al., 2021) y mejorar el aprendizaje en la educación en línea (Kaliwal y Deshpande, 2021; Mangaroska et al., 2019; Mangaroska et al., 2021; Murphy, 2017). Según Tang et al. (2021), los avances en IA se han aplicado principalmente en cuatro funciones dentro del aprendizaje electrónico: sistemas de tutoría inteligentes, sistemas adaptativos y de personalización de recursos o estrategias de aprendizaje, elaboración de perfiles para predicción, y sistemas de evaluación. Dogan et al. (2023) clasifican estas aplicaciones en tres grandes temas: minería de datos o análisis de aprendizaje para implementar aprendizaje adaptativo; espacios educativos algorítmicos en línea, ética y agencia humana; y detección, identificación, reconocimiento y predicción aplicados a procesos educativos. Ilić et al. (2023) identifican cuatro aplicaciones comunes de la IA en la mejora de los sistemas de e-learning: modelado del alumno, analítica de aprendizaje, evaluación automática y aprendizaje personalizado (adaptativo).

En los últimos años, se ha acuñado el concepto de aprendizaje adaptativo personalizado (PAL, por sus siglas en inglés), identificado como un nuevo enfoque pedagógico que supera el aprendizaje electrónico estándar, facilitado por tecnologías de aprendizaje inteligente (Peng et al., 2019). El aprendizaje adaptativo personalizado, según Al-Chalabi y Ali Hussein (2020), ajusta el contenido y los métodos de enseñanza a las necesidades individuales de los estudiantes, basado en análisis detallados para ofrecer un aprendizaje más efectivo y atractivo. Gligorea et al. (2023) lo describen como la implementación de sistemas educativos que se adaptan a las necesidades individuales para mejorar los resultados de aprendizaje, logrando la personalización a través de ajustes en el contenido y métodos de enseñanza basados en una evaluación continua del progreso del estudiante. Peng et al. (2019) catalogan al PAL como una metodología pedagógica efectiva, potenciada por la tecnología para ajustar de manera adaptativa las estrategias de enseñanza en distintos momentos de aprendizaje, gracias a un monitoreo en tiempo real de los cambios y diferencias de cada estudiante. Essa et al. (2023) agregan que su efectividad se maximiza al ajustar métodos y recursos educativos para alinearse con las preferencias individuales de cada estudiante.

Los sistemas PAL utilizan como principal tecnología de IA la recomendación adaptativa, que emplea algoritmos y técnicas de aprendizaje automático para adecuar dinámicamente las recomendaciones de contenido basadas en el comportamiento, preferencias y contexto del usuario. La recomendación adaptativa se extiende más allá de la educación, influyendo en sectores como el comercio electrónico y el entretenimiento, donde personalizan la experiencia del usuario y mejoran la relevancia y efectividad de las recomendaciones (Adomavicius y Tuzhilin, 2005).

Los sistemas PAL se construyen sobre la premisa de que el proceso de aprendizaje es único para cada alumno (Almohammadi et al., 2017; Hmedna et al., 2020), alineándose con el enfoque de enseñanza personalizada, que reconoce las diferencias en estilos de aprendizaje, intereses y ritmos de progreso, proporcionando experiencias educativas que optimizan el potencial individual ( Pane et al., 2015). Esta concepción, aunque no nueva, fue ampliamente adoptada en los sistemas educativos tradicionales en las primeras décadas del siglo XX, impulsada por figuras como Dewey (1938), Faure (1959), Kilpatrick (1918), y Montessori (1912). Ennouamani y Mahani (2017) clasifican los sistemas PAL en tres categorías: macro-adaptativos, que, después de una evaluación general de las características del estudiante, proponen una ruta personalizada a seguir; sistemas de interacción aptitud-tratamiento, que intervienen en momentos específicos del proceso educativo para proponer estrategias alternativas personalizadas, incluyendo los Sistemas de Tutoría Inteligente (STI); y sistemas micro-adaptativos, que consideran la situación temporal en tiempo real del estudiante para hacer recomendaciones didácticas. Para los sistemas PAL, la elección de estrategias de modelado es crucial, ya que estas identifican y almacenan las características individuales de los estudiantes y los patrones de aprendizaje, que luego se utilizan en los procesos de personalización en la educación virtual (Ilić et al., 2023).

Entre los estudios recientes sobre la IA en la educación virtual con un enfoque en personalización, se destaca el trabajo de Apoki et al. (2022), que analizó específicamente el papel de los agentes pedagógicos inteligentes en la personalización del aprendizaje virtual, identificando tutorías inteligentes, monitoreo inteligente y aprendizaje colaborativo inteligente como sus funciones principales. La investigación de Li y Wong (2021) observa cómo el aprendizaje personalizado ha experimentado una evolución significativa desde 2001 hasta 2018, impulsada por la inclusión de IA y una mayor comprensión de las necesidades individuales, manifestada en la diversificación de las herramientas y métodos empleados para adaptar la educación virtual a las características individuales de los estudiantes. Por su parte, Essa et al. (2023) revisaron 48 publicaciones sobre estilos de aprendizaje y el uso de IA en sistemas educativos adaptativos, identificando al modelo de Felder y Silverman (FSLSM) como el más utilizado para clasificar a los estudiantes y generar recomendaciones. Este enfoque ha logrado adaptar el contenido y métodos según los estilos de aprendizaje preferidos, apoyando de manera efectiva el proceso de aprendizaje. Los trabajos de Almohammadi et al. (2017), Jando et al. (2017), Kardan et al. (2015), Özyurt y Özyurt (2015), Talaghzi et al. (2020), Xie et al. (2019) y Zine et al. (2019) reflejan el creciente interés en esta perspectiva.

Así, la educación virtual se transforma con la implementación de la IA, permitiendo procesos de aprendizaje más personalizados. Al mismo tiempo, genera tanto preocupaciones sobre sus alcances (Ayala-Pazmiño y Alvarado-Lucas, 2023; Chan y Hu, 2023; Seo et al., 2021) como expectativas sobre sus posibilidades (Chocarro et al., 2021; Emara et al., 2023; Haniya et al., 2020). En este contexto, es fundamental investigar el papel que la IA desempeña en la personalización de la educación a distancia y evaluar su efectividad en la mejora de los procesos de enseñanza-aprendizaje, considerando sus aportes y desafíos. Esta revisión de la literatura enriquece la discusión académica sobre la enseñanza personalizada, sintetizando la evidencia sobre cómo implementar IA en procesos de personalización, e identificando las estrategias y modelos más efectivos en los entornos virtuales de aprendizaje. Desde esta lógica, se identificaron investigaciones que analizan el uso de la inteligencia artificial para la personalización de los procesos de aprendizaje en educación virtual. La búsqueda se basó en las siguientes preguntas:

• ¿Qué tipo de iniciativas se han implementado para personalizar la experiencia de aprendizaje en la formación e-learning basadas en técnicas de inteligencia artificial?
• ¿Qué resultados han tenido las iniciativas de personalización implementadas en la formación virtual?
• ¿Qué tipo de datos utilizan los sistemas para personalizar las recomendaciones de aprendizaje?
• ¿Qué técnicas de modelado se están utilizando para el desarrollo de sistemas inteligentes con clara aplicación en la personalización del aprendizaje virtual?
• ¿Qué percepción existe en las comunidades educativas sobre la implementación de esta tecnología para el aprendizaje virtual?

METODOLOGÍA

Esta investigación corresponde a una revisión sistemática de la literatura, una metodología ampliamente utilizada para el análisis y la exploración dentro de un área de conocimiento, que permite identificar las tendencias y corrientes principales, así como brechas y oportunidades de investigación (Codina, 2018). Se consideró pertinente para evaluar y sintetizar la producción académica sobre el uso de Inteligencia Artificial para la personalización del aprendizaje virtual.

Para su realización, se siguieron las cuatro fases definidas por el framework SALSA, acrónimo de Search, AppraisaL, Synthesis, y Analysis (Grant y Booth, 2009). La primera fase, de búsqueda, según Codina (2020), requiere declarar las fuentes y los procedimientos de búsqueda utilizados para garantizar la rigurosidad y replicabilidad de la revisión, explicitando las ecuaciones de búsqueda empleadas en determinadas bases de datos. En este caso, se consultaron las bases de datos WoS, Scopus, Dialnet y SciELO, y mediante conceptos clave se configuraron fórmulas de búsqueda con conectores booleanos: ("artificial intelligence" OR AI), ("virtual learning" OR "virtual teaching" OR "distance education" OR e-learning), (Adaptability OR "personalized learning" OR "adaptable learning" OR "adaptive learning"), logrando localizar un total de 530 publicaciones.

Durante la fase de evaluación, los documentos encontrados fueron revisados considerando que todos cumplieran con los siguientes criterios de inclusión:

• Centrados en el uso de IA para la personalización del aprendizaje.
• Experiencias de educación virtual que utilizan plataformas de LMS.
• Publicaciones con un margen de antigüedad de no más de cinco años.

Adicionalmente, con la finalidad de responder a todas las preguntas de investigación formuladas, se agregaron dos criterios, para los cuales solo era necesario que las investigaciones incluidas respondieran a alguno de ellos:

• Implementación y/o desarrollo de modelos matemáticos de procesamiento de datos con alcance pedagógico para la personalización del aprendizaje.
• Opiniones de agentes educativos sobre el uso de IA para la personalización del aprendizaje.

A la vez, se consideraron los siguientes criterios de exclusión para la no selección de trabajos:

• Hablarán de IA en educación virtual pero cuyo uso no se aplique a procesos de personalización del aprendizaje.
• Descripción solo del proceso de modelado de datos sin detalle del aporte a la personalización del aprendizaje.
• Uso de IA en aprendizaje presencial.

Aplicando estos criterios de inclusión y exclusión a la lectura de los resúmenes proporcionados por las bases de datos analizadas, se descartaron documentos duplicados y aquellos a los que no se tuvo acceso, llegando a un total de 87 documentos para su lectura completa. Luego, se descartaron investigaciones que solo describían la construcción de modelos matemáticos o que utilizaban IA en sistemas de educación presencial, seleccionando un total de 65 publicaciones como corpus final. La Figura 1 muestra en detalle el flujo de trabajo realizado durante estas dos fases.

Por último, se desarrollaron las fases de análisis y síntesis de los documentos seleccionados, para las cuales se generó una matriz de análisis en la que se resumió información relevante acerca de cada uno de ellos, incluyendo aspectos como el contexto de aplicación, los métodos utilizados y los resultados obtenidos. Sobre la base de estos resúmenes, se realizó un análisis de contenido con el objetivo de identificar los principales temas abordados por los estudios, clasificarlos y estructurar el desarrollo temático. Este proceso se inició con una codificación abierta (Saldaña, 2013; Staller, 2015), en la que se identificaron y asignaron códigos al contenido de los resúmenes, para luego agruparlos según criterios de similitud en categorías más amplias que reflejan los temas centrales del corpus de la investigación. Este enfoque facilitó la organización de los resultados y permitió identificar relaciones entre los estudios analizados, enriqueciendo la síntesis e interpretación de los hallazgos.

RESULTADOS

Descripción general

El corpus de documentos quedó conformado por publicaciones entre los años 2018 y octubre de 2023 de las cuatro bases de datos indicadas. Tal como lo muestra la Figura 2, la producción académica sobre el tema ha aumentado a partir del año 2019, manteniéndose relativamente constante durante el periodo analizado y alcanzando la mayor cantidad de publicaciones en los años 2020 (14) y 2023 (14). Las bases de datos que proporcionaron más documentos analizados fueron Scopus (29) y Dialnet (22).

Con relación a la zona geográfica en que se desarrollan los estudios, Asia es el continente que presenta la mayor producción (43 %), donde destacan países como China (8) y Taiwán (6), siendo quienes también diversifican en distintos niveles educativos las iniciativas. Es importante la producción en España (8) y sumado a otros países europeos llegan a un 29 % de la producción académica en este tema. La Figura 3 muestra el detalle de la producción académica por países.

Análisis temático

En esta sección, se presenta el desarrollo de cada uno de los temas identificados anteriormente, describiendo el contenido de los artículos analizados y haciendo énfasis en sus hallazgos y aportes a las preguntas de investigación.

En este sentido, vale la pena mencionar que los principales usos de IA en la personalización del aprendizaje virtual se remiten a la generación de sistemas de monitoreo y modelos predictivos de progresión académica (de los cuales se desprenden iniciativas de apoyo a los estudiantes) y al desarrollo de los sistemas adaptativos que recomiendan rutas/ recursos/ materiales de aprendizaje y/o retroalimentan el proceso (Al-Chalabi y Ali Hussein, 2020; Apoki et al., 2022; Ilić et al., 2023; Zawacki-Richter et al., 2019).

Cabe señalar que las categorías elegidas no son necesariamente excluyentes, pues las categorías de “Aprendizaje móvil” y “Sistemas de apoyo a estudiantes con NEE” pueden ser entendidas como subcategorías de los “Sistemas de recomendación macro y micro adaptativos”, sin embargo, se han analizado de manera independiente para resaltar casos más específicos de la implementación de los sistemas adaptativos, destacando su relevancia y particularidad.

Todas estas aplicaciones seleccionadas en nuestro estudio se basan en IA para generar procesos, dentro o fuera del aula, que apoyan al estudiante a partir de sus diferencias individuales o desempeño específico con la finalidad de mejorar sus posibilidades de éxito académico. Cada uno de estos sistemas basa su predicción en modelos de análisis de datos relevantes para generar predicciones exitosas. La actuación de la IA puede ser a nivel macro y micro curricular en una formación virtual y puede actuar con o sin interacción con el estudiante (ver Figura 4). También se le puede otorgar niveles de autonomía al estudiante para seguir la recomendación de la IA, como es el caso de los STI (Ennouamani y Mahani, 2017).

Sistemas de Monitoreo/Apoyo al Éxito Académico

El uso de métodos de análisis predictivo en la educación superior se ha consolidado como una herramienta fundamental para promover el éxito académico. Estos modelos se basan en datos históricos y de alta predictibilidad para identificar factores críticos en el rendimiento de los estudiantes. Por ejemplo, Kar et al. (2023) demostraron que la duración de la conexión a las clases, el tipo de institución de procedencia y la situación financiera son determinantes clave para la adaptabilidad de los estudiantes a la educación en línea. Embarak (2022) emplea internet del comportamiento para ofrecer orientaciones personalizadas, mientras que López-Zambrano (2021) subraya la importancia del uso de actividades y recursos en Moodle para mejorar la precisión de las predicciones.

Los modelos predictivos también se aplican en la evaluación del rendimiento académico, como se evidencia en el estudio de Silva et al. (2022), que compara calificaciones actuales con datos históricos para gestionar tutorías de apoyo. Tsai et al. (2020) incorporan variables como el rendimiento, las ausencias y las solicitudes de préstamos para refinar las predicciones. Además, Lee et al. (2021) demuestran cómo estos modelos son útiles en niveles educativos inferiores, al predecir el aprendizaje del inglés.

La precisión de las predicciones se incrementa con la incorporación de datos adicionales, como lo indican Rincon-Flores et al. (2022). Finalmente, el uso de datos multimodales, incluyendo seguimiento ocular y expresiones faciales, ha demostrado ser eficaz para predecir el compromiso y el rendimiento, según lo observado en Sharma et al. (2019). Estos avances subrayan el potencial de los modelos predictivos para optimizar el apoyo académico.

Exploración de Modelos y Prototipos

En esta categoría se agrupa una serie de estudios enfocados en pruebas de concepto y diseños experimentales para la creación de modelos que personalizan la educación virtual, ofreciendo información clave para el desarrollo de sistemas predictivos y adaptativos aplicables en diversos ámbitos y niveles educativos. Ahmadaliev et al. (2019) y Shvetsov et al. (2020) desarrollaron modelos para sistemas de recomendación adaptativa dirigidos a estudiantes de matemáticas en secundaria y de informática en educación superior. Bennani et al. (2022) proponen un modelo de clasificación para un entorno de aprendizaje móvil gamificado destinado a estudiantes de primaria. Muse et al. (2023) presentan un modelo lingüístico inicial para la generación automática de preguntas educativas. Asimismo, Bogarín Vega (2018) crea un modelo predictivo de abandono en un curso de psicología, considerando tanto a estudiantes aprobados como a los reprobados.

En la búsqueda de sistemas de recomendación más precisos, Ogunkunle y Qu (2020) desarrollan un índice que mejora el emparejamiento de recomendaciones al agregar atributos y logros previos de los estudiantes, utilizando árboles de decisión y algoritmos dicotomizadores iterativos. Soui (2021) emplea el algoritmo multiobjetivo evolutivo NSGA-II para la recomendación de recursos educativos. Por otro lado, Yao y Wu (2022) exploran algoritmos bayesianos para identificar puntos ciegos en el aprendizaje, mientras que Azzi et al. (2020) utilizan redes neuronales para analizar el tiempo y la frecuencia de visitas a objetos de aprendizaje, ajustando las recomendaciones según la dificultad y el nivel del estudiante. Yang et al. (2023) emplean redes multimodales y k-means para recomendar partituras musicales adecuadas a los niveles de conocimiento en educación musical. Alghamdi et al. (2020) desarrollan prototipos para sistemas de evaluación adaptativa, y Sapsai et al. (2023) diseñan un panel visualizador que orienta a los educadores mediante el análisis de atributos, estilos de aprendizaje y posibilidades de éxito de los estudiantes. Estudios adicionales, como los de Rooein (2019), Vasilateanu y Turcus (2019), y Xiaogang (2019), se centran en la optimización de la asignación de recursos personalizados utilizando inteligencia artificial.

Como se observa en la Figura 5, según la aplicación requerida, los distintos algoritmos o técnicas de modelamiento con IA se diversifican en un amplio panorama. Algunas técnicas, como el procesamiento de lenguaje natural y las técnicas de clasificación y agrupamiento, tienden a ser las más utilizadas.

Sistemas de Tutoría Inteligente (STI)

La aplicación de inteligencia artificial en la educación ha permitido el desarrollo de Sistemas de Tutoría Inteligente (STI), los cuales ofrecen recomendaciones y retroalimentación en tiempo real a los estudiantes, adaptándose a sus características y necesidades individuales. La investigación ha demostrado que estos sistemas pueden mejorar significativamente el aprendizaje en entornos virtuales ( Apoki et al., 2022; Davies et al., 2021; Kaiss et al., 2023). En la educación superior, los STI facilitan la mediación del aprendizaje. Martín Coronel (2022) desarrolló un modelo que utiliza razonamiento basado en reglas para proporcionar recomendaciones personalizadas en ciencias de la informática, considerando las competencias y preferencias de los estudiantes. Haq et al. (2020) también desarrollaron un STI en el mismo campo, enfocado en el aprendizaje colaborativo, apoyando la interacción entre alumnos y tutores. Con el objetivo de lograr mayor precisión en las recomendaciones, Veeramanickam et al. (2023) implementaron un modelo basado en el internet de las cosas que analiza diversos parámetros, como las búsquedas de palabras clave y los movimientos oculares de los estudiantes, para personalizar los materiales de estudio. Ventura (2022) presentó un STI para la enseñanza musical que utiliza un algoritmo adaptativo para corregir errores en ejercicios de armonización.

La interacción es fundamental en los STI. Davies et al. (2021) y Kaiss et al. (2023) desarrollaron chatbots entrenados con información sobre la experiencia profesional y los estilos de aprendizaje de los estudiantes, diseñados para responder preguntas y recomendar tareas durante el proceso educativo. En el campo del álgebra, Montoya Pérez y Mateus Santiago (2018) desarrollaron un STI que utiliza redes neuronales y gamificación para recomendar actividades, mientras que López Jiménez (2023) implementó un sistema gamificado que ofrece retroalimentación personalizada basada en diagnósticos cognitivos. Lu et al. (2021) demostraron que su STI, mediante redes neuronales profundas, puede analizar el estado y las debilidades de los estudiantes para facilitar la intervención de los tutores.

Los STI también se han incorporado en la educación escolar, especialmente en matemáticas. Troussas et al. (2019) desarrollaron un STI para primaria que utiliza la clusterización para agrupar a los estudiantes según su nivel de conocimiento, facilitando tutorías personalizadas y fomentando la colaboración. En secundaria, Thomas et al. (2023) crearon un STI que apoya la formación de tutores en matemáticas, simulando escenarios reales para mejorar tanto la enseñanza de contenidos como la motivación de los estudiantes. Estos avances destacan el potencial de los STI para transformar la educación personalizando su contenido y mejorar los resultados de aprendizaje en distintos niveles educativos.

Experiencias de Aprendizaje con Sistemas de Recomendación Macro y Micro Adaptativos

La literatura sobre el uso de la inteligencia artificial (IA) en la personalización del aprendizaje virtual se centra en gran medida en probar sistemas de recomendación adaptativos que se ajusten a las necesidades individuales de los estudiantes. Ennouamani y Mahani (2017) propusieron una clasificación basada en el momento del diseño didáctico-curricular en que se utiliza la IA para la recomendación (ver Figura 4).

Desde la perspectiva de la recomendación macro-adaptativa, los estudios de Azcorra Novelo y Gallardo Córdova (2022), Ingkavara et al. (2022), y Daghestani et al. (2020) se enfocan en rutas de aprendizaje personalizadas utilizando técnicas estadísticas como regresión múltiple y clusterización. Azcorra Novelo y Gallardo Córdova basan sus recomendaciones únicamente en diagnósticos de aprendizaje, mientras que Ingkavara et al. también consideran la actitud y autoevaluación del estudiante. Daghestani et al., por su parte, clasifican a los estudiantes según su tipo de jugador en un entorno gamificado. Ma et al. (2023) emplean algoritmos de enjambre para analizar el nivel cognitivo y estilo de aprendizaje, mientras que Vanitha et al. (2019) hibridan algoritmos de optimización colaborativa y genética, integrando emociones y capacidad cognitiva. Lhafra y Abdoun (2023) utilizan algoritmos evolutivos genéticos para adaptar situaciones de aprendizaje a los perfiles de los estudiantes. Krechetov y Romanenko (2020) aplican un modelo basado en la velocidad del olvido en educación superior para recomendar rutas de aprendizaje, y Pardamean et al. (2022) implementan un sistema en primaria que usa estilos de aprendizaje para recomendar materiales adecuados mediante filtrado colaborativo.

Por su parte, los sistemas de recomendación micro-adaptativos, como los desarrollados por Choi y McClenen (2020), González Boticario y Díaz Rozo (2018), Kushnarev et al. (2020) y Wang et al. (2019), ajustan la cantidad de ejercicios recomendados según el rendimiento previo y el avance del estudiante, ayudando a nivelar el aprendizaje en tiempo real. Al-Chalabi et al. (2021) y Lihua (2021) implementan sistemas adaptativos que ofrecen contenido personalizado al inicio y a la mitad del curso, ajustando las recomendaciones según el desempeño en evaluaciones. Gan et al. (2021) desarrollan un modelo mixto que, además de un diagnóstico inicial, utiliza datos del historial de navegación para actualizar constantemente las recomendaciones. Wu et al. (2023) diseñan un sistema de detección de compromiso en tiempo real que adapta las recomendaciones según las interacciones de los estudiantes, mejorando su compromiso y autoeficacia. Álvarez et al. (2018) integraron estrategias de colaboración y su evaluación en un sistema adaptativo, y en una aplicación posterior Álvarez et al. (2020), desarrollaron un modelo en un entorno lúdico cuyo juego serio, basado en agentes inteligentes y aprendizaje colaborativo, motiva la participación activa en actividades de aprendizaje.

Como es posible observar en la Figura 6, los distintos sistemas, tanto macro como micro adaptativos, y los modelos predictivos, utilizan diversos tipos de datos para construir sus modelos y generar las predicciones o recomendaciones. Datos sobre los resultados en actividades previas, el nivel de conocimiento y las interacciones en la plataforma son los más utilizados. La calidad de estos datos y su pertinencia con relación a los fines de la personalización que se busca alcanzar son clave para el éxito en las recomendaciones, tanto curriculares como en actividades de acompañamiento.

En resumen, los sistemas de recomendación adaptativos, tanto macro como micro, muestran un alto potencial para personalizar el aprendizaje y mejorar los resultados educativos, aprovechando la IA para ajustar las rutas y contenidos a las características y comportamientos individuales de los estudiantes.

Aprendizaje móvil

Los estudios sobre aprendizaje adaptativo en entornos móviles muestran una alta eficacia debido a la ubicuidad y autonomía que estos entornos aportan al proceso educativo (Bernacki et al., 2020; Kanaki et al., 2022). Estas experiencias se basan en la micro adaptación, ofreciendo recomendaciones personalizadas de actividades a partir de datos recopilados durante todas las fases del aprendizaje. Por ejemplo, Palomares Marín (2021) analizó Duolingo, destacando que la combinación de diseño de interfaz, multimedia, usabilidad, gamificación y la IA aplicada a la arquitectura de la aplicación mejora significativamente el aprendizaje de idiomas. La personalización y el feedback instantáneo hacen que la experiencia sea comparable a la de un tutor humano. Liu et al. (2019) investigaron un algoritmo que recomienda recursos educativos según el historial de aprendizaje y las preferencias del usuario. Adnan et al. (2019) describen una aplicación que utiliza información contextual para apoyar la toma de decisiones en programación, demostrando su éxito en mejorar el aprendizaje a través de recomendaciones precisas y adaptadas.

Sistemas de apoyo a estudiantes con NEE

Se han seleccionado cuatro experiencias de aprendizaje adaptativo centradas en atender necesidades especiales de estudiantes, demostrando la utilidad de los sistemas de recomendación. Desde la perspectiva de las macro adaptaciones, Alsobhi y Alyoubi (2019) desarrollaron un sistema que correlaciona cada tipo de dislexia con estilos de aprendizaje específicos, permitiendo adaptar el material a las necesidades individuales de los estudiantes. Wang y Yang (2020) utilizaron redes neuronales para apoyar a estudiantes sordomudos, superando la limitación de profesores que no conocen la lengua de signos. Su plataforma ofrece rutas de aprendizaje personalizadas basadas en los conocimientos previos de los estudiantes.

Ojeda Castelo (2022) creó un sistema basado en sensores de movimiento para estudiantes con diversas necesidades especiales. Este sistema recoge información sobre las reacciones de los estudiantes a las actividades propuestas y ajusta la secuencia de aprendizaje según estas interacciones, mostrando resultados prometedores en la participación y aceptación del entorno de aprendizaje. Por último, Standen et al. (2020) desarrollaron una plataforma que integra la lectura de estados emocionales para personalizar actividades de aprendizaje en estudiantes con discapacidad intelectual. Se observó que la personalización según las necesidades y estados emocionales de los estudiantes aumenta su compromiso y crea un ambiente afectivo más favorable para el aprendizaje.

Percepciones sobre las oportunidades de IA para el aprendizaje

Se analizaron varios estudios que exploran la percepción de estudiantes, apoderados y docentes sobre el uso de la inteligencia artificial (IA) en la educación y las oportunidades que ofrece. En general, las opiniones son positivas, reconociendo que la IA puede mejorar la comunicación en entornos virtuales y personalizar el aprendizaje según las necesidades individuales. Sin embargo, también surgen preocupaciones relacionadas con la privacidad, la seguridad de la información y la posible deshumanización de las interacciones.

Ayala-Pazmiño y Alvarado-Lucas (2023), Chan y Hu (2023) y Seo et al. (2021), investigan la adopción general de herramientas de IA, encontrando que los estudiantes valoran su potencial para mejorar la enseñanza virtual. Los beneficios destacados incluyen la mejora en la comunicación, la personalización de las interacciones, la retroalimentación oportuna y el fortalecimiento de habilidades donde existen debilidades. No obstante, también se señalan preocupaciones éticas, como el riesgo de vigilancia excesiva y la protección de la privacidad de los datos. Ayala-Pazmiño y Alvarado-Lucas (2023) subrayan la importancia de contar con una infraestructura y capacitación docente adecuadas para implementar la IA de manera efectiva.

Otros estudios se centran en la percepción y satisfacción con herramientas específicas de IA, como chatbots, tutores inteligentes y sistemas de recomendación. Chocarro et al. (2021) analizan la aceptación de un chatbot por parte de docentes, destacando la facilidad de uso y la utilidad percibida como factores clave. Los docentes valoran el apoyo que estos sistemas brindan, permitiendo gestionar mejor el tiempo de clase y ofrecer ayuda personalizada a los estudiantes. Emara et al. (2023) investigan la satisfacción de apoderados con un tutor inteligente en una escuela secundaria, quienes reconocen sus ventajas pedagógicas, como la estimulación del aprendizaje independiente y la mejora de la motivación. Por su parte, Haniya et al. (2020) evalúan un sistema de análisis de aprendizaje impulsado por Machine Learning y Big Data, encontrando un alto nivel de acuerdo entre los estudiantes en cuanto a su utilidad para monitorear el progreso académico y optimizar el aprendizaje según sus necesidades y disponibilidad de tiempo.

En resumen, la IA en la educación es vista como una herramienta valiosa para personalizar y mejorar la enseñanza, aunque su implementación plantea desafíos y preocupaciones que deben ser abordados.

DISCUSIÓN

El análisis realizado identifica las principales aplicaciones de la inteligencia artificial (IA) en la formación virtual, destacando su capacidad para personalizar el aprendizaje. Estas aplicaciones se concentran en cuatro áreas clave: sistemas de apoyo basados en modelos predictivos de éxito académico, adaptación del aprendizaje mediante sistemas de recomendación macro y micro adaptativos, y la utilización de Sistemas de Tutoría Inteligente (STI). Estos sistemas no solo optimizan el aprendizaje, sino que también atienden a las necesidades individuales de los estudiantes.

Este estudio amplía los usos observados en otros trabajos (Al-Chalabi y Ali Hussein, 2020; Apoki et al., 2022; Essa et al., 2023; Ilić et al., 2023; Li y Wong, 2021) al incluir modelos predictivos que proponen estrategias de apoyo, aunque no se refieran exclusivamente al proceso de aprendizaje. Estos modelos aportan al tratamiento de necesidades individuales detectadas a partir de la aplicación de IA.

Las aplicaciones de IA en la educación virtual son versátiles y se adaptan a cualquier área del conocimiento, aunque su uso es más frecuente en disciplinas STEM y en la educación superior, donde se concentran la mayoría de las experiencias. También se han identificado iniciativas para estudiantes con necesidades educativas especiales, lo que demuestra el potencial inclusivo de estas tecnologías (Standen et al., 2020; Wang y Yang, 2020). Los resultados de la implementación de estas tecnologías muestran mejoras en aprendizajes, motivación y participación de los estudiantes (Haq et al., 2020; Kushnarev et al., 2020; López Jiménez, 2023; Wang et al., 2019). Además, hay una aceptación generalizada de estas tecnologías por parte de los actores educativos (Chocarro et al., 2021; Haniya et al., 2020), aunque existen preocupaciones sobre el uso de los datos para personalizar el aprendizaje (Ayala-Pazmiño y Alvarado-Lucas, 2023; Chan y Hu, 2023; Seo et al., 2021).

Es importante seguir de cerca el tipo de datos que utilizan los sistemas de recomendación adaptativa para personalizar el aprendizaje. Los sistemas macro-adaptativos tienden a generar recomendaciones a partir de una evaluación inicial de conocimientos y criterios estáticos como estilos de aprendizaje (Pardamean et al., 2022) o comportamientos testeados (por ejemplo, tipo de jugador en un entorno de gamificación (Daghestani et al., 2020)). En cambio, los sistemas micro-adaptativos trabajan con datos generados durante el proceso de aprendizaje, como la interacción con la plataforma (Bennani et al., 2022; Wu et al., 2023), tiempo de conexión (Azzi et al., 2020; Ma et al., 2023), gestos frente a actividades (Ojeda Castelo, 2022; Sharma et al., 2019) y avance en controles parciales (Al-Chalabi et al., 2021; Kushnarev et al., 2020). Conocer la evolución de estos modelos y la combinación de datos utilizados es un campo de estudio relevante a observar.

Los estudios analizados prácticamente no abordan la adaptación de la docencia virtual ni los desafíos para los docentes al adoptar tecnologías de recomendación adaptativa, un aspecto crucial dada la redefinición del rol docente que implica este cambio. Se observa, al igual que Li y Wong (2021), que, aunque las tecnologías permiten una mayor personalización, los docentes deben estar capacitados para integrar estas herramientas de manera efectiva en sus prácticas pedagógicas.

El análisis también destaca el uso de diversas técnicas para el modelado de datos, según el objetivo del sistema a implementar. Las técnicas utilizadas para optimizar los modelos predictivos y de clasificación incluyen Árboles de Decisión ( Ogunkunle y Qu, 2020), algoritmos evolutivos multiobjetivo (Soui, 2021), redes bayesianas (Bogarín Vega, 2018; Yao y Wu, 2022), redes neuronales (Azzi et al., 2020; Muse et al., 2023; Xiaogang, 2019), procesamiento de lenguaje natural (Vasilateanu y Turcus, 2019), minería de datos educativos (Ahmadaliev et al., 2019; Bogarín Vega, 2018; Ogunkunle y Qu, 2020), redes multimodales (Yang et al., 2023), lógica difusa (Alghamdi et al., 2020) y algoritmos de modelado (Bennani et al., 2022; Rooein, 2019; Sapsai et al., 2023; Shvetsov et al., 2020). Estas técnicas son más comunes en sistemas de microadaptación y tutoría inteligente, que son la tendencia central en las publicaciones analizadas.

CONCLUSIONES

Al igual que Apoki et al. (2022), Gligorea et al. (2023) y Li y Wong (2021), se observa que la integración de la IA en la formación virtual representa una oportunidad significativa para la personalización del aprendizaje, permitiendo adaptar el proceso educativo a las necesidades individuales de los estudiantes. Este enfoque muestra un impacto positivo en el rendimiento académico, la motivación y la participación de los estudiantes, como lo confirma la literatura analizada. A diferencia del estudio de Li y Wong (2021), observamos que la variedad de estudios respecto a los tipos de datos y algoritmos de IA utilizados proporciona una base sólida para implementar estos sistemas.

Este estudio aporta novedades en dos aspectos clave: analiza publicaciones no solo en cuanto a la recomendación de recursos o rutas de aprendizaje (Al-Chalabi y Ali Hussein, 2020; Apoki et al., 2022; Essa et al., 2023; Gligorea et al., 2023; Li y Wong, 2021), sino también en la inclusión de experiencias que permiten un acompañamiento al estudiante fuera del aula. Además, aborda tanto los aspectos técnicos como pedagógicos de las experiencias, sintetizando información esencial para la implementación de IA, ya sea en modelos de predicción o de recomendación adaptativa. Se examinan las características de los datos y los algoritmos utilizados, manteniendo siempre en perspectiva su sentido pedagógico.

Esta revisión ofrece una visión amplia y actualizada de los usos de la IA para personalizar la educación a distancia, identificando prácticas, estrategias y modelos eficaces para mejorar la enseñanza virtual. También sugiere futuras líneas de investigación, como profundizar en el estudio de los tipos de datos y parámetros utilizados y su eficiencia en la predicción o recomendación adaptativa, para desarrollar modelos más robustos que se alineen con enfoques educativos reconocidos y garanticen la efectividad de estas intervenciones; explorar los cambios en el rol docente con la integración de estas tecnologías; e investigar la percepción de los diferentes actores involucrados en la enseñanza a distancia, considerando los aspectos éticos y de seguridad de la información para garantizar la integridad y mejorar la aceptación y efectividad pedagógica.

La principal limitación de esta investigación radica en la selección de palabras clave y bases de datos, lo que, si bien delimita el objeto de estudio, puede restringir su alcance y excluir otras experiencias relevantes.

Tal como Gligorea et al. (2023), se pone énfasis en que, aunque los beneficios del uso de IA para personalizar el aprendizaje virtual son evidentes, la preocupación por el uso de datos personales sigue siendo un desafío importante que debe abordarse. Las percepciones de los estudiantes indican inquietud por la privacidad y el manejo de la información, lo que subraya la necesidad de un marco ético sólido para acompañar la implementación de estas tecnologías.

En conclusión, la IA en la educación virtual tiene el potencial de mejorar los resultados educativos y hacer el aprendizaje más inclusivo y adaptativo. Sin embargo, es fundamental seguir investigando y desarrollando soluciones que optimicen el aprendizaje y respeten y protejan a los estudiantes, restringiendo el uso de estos datos a fines educativos.

REFERENCIAS

Adnan, M., Habib, A., Ashraf, J. y Mussadiq, S. (2019). Cloud-supported machine learning system for context-aware adaptive M-learning. Turkish Journal of Electrical Engineering & Computer Sciences, 27(4), 2798-2816. https://doi.org/10.3906/elk-1811-196

Adomavicius, G. y Tuzhilin, A. (2005). Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and Data Engineering, 17(6), 734-749. https://doi.org/10.1109/TKDE.2005.99

Ahmadaliev, D., Xiaohui, C., Abduvohidov, M., Medatov, A. y Temirova, G. (2019). An adaptive activity sequencing instrument to enhance e-learning: an integrated application of overlay user model and mathematical programming on the Web. 2019 International Conference on Computer and Information Sciences (ICCIS), 1-4. https://doi.org/10.1109/ICCISci.2019.8716473

Al-Chalabi, H. K. M. y Ali Hussein, A. M. (2020). Pedagogical Approaches in Adaptive E-learning Systems. 2020 12th International Conference on Electronics, Computers and Artificial Intelligence (ECAI), 1-4. https://doi.org/10.1109/ECAI50035.2020.9223194

Al-Chalabi, H. K. M., Ali Hussein, A. M. y Apoki, U. C. (2021). An Adaptive Learning System Based on Learner’s Knowledge Level. 2021 13th International Conference on Electronics, Computers and Artificial Intelligence (ECAI), 1-4. https://doi.org/10.1109/ECAI52376.2021.9515158

Alghamdi, A. A., Alanezi, M. A. y Khan, F. (2020). Design and Implementation of a Computer Aided Intelligent Examination System. International Journal of Emerging Technologies in Learning (IJET), 15(01), 30-44. https://doi.org/10.3991/ijet.v15i01.11102

Almohammadi, K., Hagras, H., Alghazzawi, D. y Aldabbagh, G. (2017). A Survey of Artificial Intelligence Techniques Employed for Adaptive Educational Systems within E-Learning Platforms. Journal of Artificial Intelligence and Soft Computing Research, 7(1), 47-64. https://doi.org/10.1515/jaiscr-2017-0004

Alsobhi, A. Y. y Alyoubi, K. H. (2019). Adaptation algorithms for selecting personalised learning experience based on learning style and dyslexia type. Data Technologies and Applications, 53(2), 189-200. https://doi.org/10.1108/DTA-10-2018-0092

Álvarez, S., Salazar, O. M. y Ovalle, D. A. (2018). Modelo basado en Agentes para la Detección de Fallas Cognitivas en Entornos de Aprendizaje Colaborativo. Información Tecnológica, 29(5), 289-298. https://doi.org/10.4067/S0718-07642018000500289

Álvarez, S., Salazar, O. M. y Ovalle, D. A. (2020). Modelo de juego serio colaborativo basado en agentes inteligentes para apoyar procesos virtuales de aprendizaje. Formación Universitaria, 13(5), 87-102. https://doi.org/10.4067/S0718-50062020000500087

Anderson, T. (2008). The Theory and Practice of Online Learning (2nd ed.). AU Press, Athabasca University.

Apoki, U. C., Ali Hussein, A. M., Al-Chalabi, H. K. M., Badica, C. y Mocanu, M. L. (2022). The Role of Pedagogical Agents in Personalised Adaptive Learning: A Review. Sustainability, 14, 6442. https://doi.org/10.3390/su14116442

Area-Moreira, M. (2021). La enseñanza remota de emergencia durante la COVID-19. Los desafíos postpandemia en la Educación Superior. Propuesta Educativa, 30(56), 57-70.

Ayala-Pazmiño, M. y Alvarado-Lucas, K. (2023). Integración de la Inteligencia Artificial en la Educación del Idioma Inglés en Ecuador: Un Camino para Mejorar los Resultados del Aprendizaje. 593 Digital Publisher CEIT, 8(3-1), 679-687. https://doi.org/10.33386/593dp.2023.3-1.1862

Azcorra Novelo, V. G. y Gallardo Córdova, K. E. (2022). Modelo de diseño de un instrumento para el aprendizaje y evaluación adaptativa de saberes algebraicos. Texto Livre, 15. https://doi.org/10.35699/1983-3652.2022.37264

Azzi, I., Jeghal, A., Radouane, A. yahyaouy, A. y Tairi, H. (2020). Approach Based on Artificial Neural Network to Improve Personalization in Adaptive E-Learning Systems. En V. Bhateja, S. Satapathy, y H. Satori (Eds.), Embedded Systems and Artificial Intelligence. Advances in Intelligent Systems and Computing (pp. 463-474). https://doi.org/10.1007/978-981-15-0947-6_44

Bennani, S., Maalel, A., Ben Ghezala, H. y Daouahi, A. (2022). Integrating Machine Learning into Learner Profiling for Adaptive and Gamified Learning System. En N. T. Nguyen, Y. Manolopoulos, R. Chbeir, A. Kozierkiewicz, y B. Trawiński (Eds.), Computational Collective Intelligence. ICCCI 2022. Lecture Notes in Computer Science (pp. 65-71). https://doi.org/10.1007/978-3-031-16014-1_6

Bernacki, M. L., Greene, J. A. y Crompton, H. (2020). Mobile technology, learning, and achievement: Advances in understanding and measuring the role of mobile technology in education. Contemporary Educational Psychology, 60, 101827. https://doi.org/10.1016/j.cedpsych.2019.101827

Bodily, R., Kay, J., Aleven, V., Jivet, I., Davis, D., Xhakaj, F. y Verbert, K. (2018). Open learner models and learning analytics dashboards. Proceedings of the 8th International Conference on Learning Analytics and Knowledge, 41-50. https://doi.org/10.1145/3170358.3170409

Bogarín Vega, A. (2018). Mejora en el descubrimiento de modelos de minería de procesos en educación mediante agrupación de datos de interacción con la plataforma moodle [Tesis doctoral]. Universidad de Córdoba.

Chan, C. K. Y. y Hu, W. (2023). Students’ voices on generative AI: perceptions, benefits, and challenges in higher education. International Journal of Educational Technology in Higher Education, 20(43). https://doi.org/10.1186/s41239-023-00411-8

Chocarro, R., Cortiñas, M. y Marcos-Matás, G. (2021). Teachers’ attitudes towards chatbots in education: a technology acceptance model approach considering the effect of social language, bot proactiveness, and users’ characteristics. Educational Studies, 49(2), 295-313. https://doi.org/10.1080/03055698.2020.1850426

Choi, Y. y McClenen, C. (2020). Development of Adaptive Formative Assessment System Using Computerized Adaptive Testing and Dynamic Bayesian Networks. Applied Sciences, 10(22). https://doi.org/10.3390/app10228196

Codina, L. (2018). Revisiones bibliográficas sistematizadas: Procedimientos generales y Framework para Ciencias Humanas y Sociales. Departamento de Comunicación. Universitat Pompeu Fabra.

Codina, L. (2020). Cómo hacer revisiones bibliográficas tradicionales o sistemáticas utilizando bases de datos académicas. Revista ORL, 11(2), 139-153. https://doi.org/10.14201/orl.22977

Coman, C., Țîru, L. G., Meseșan-Schmitz, L., Stanciu, C. y Bularca, M. C. (2020). Online Teaching and Learning in Higher Education during the Coronavirus Pandemic: Students’ Perspective. Sustainability, 12(24), 10367. https://doi.org/10.3390/su122410367

Daghestani, L. F., Ibrahim, L. F., Al‐Towirgi, R. S. y Salman, H. A. (2020). Adapting gamified learning systems using educational data mining techniques. Computer Applications in Engineering Education, 28(3), 568-589. https://doi.org/10.1002/cae.22227

Davies, J. N., Verovko, M., Verovko, O. y Solomakha, I. (2021). Personalization of E-Learning Process Using AI-Powered Chatbot Integration. En S. Shkarlet, A. Morozov, y A. Palagin (Eds.), Mathematical Modeling and Simulation of Systems (MODS’2020). MODS 2020. Advances in Intelligent Systems and Computing (pp. 209-216). https://doi.org/10.1007/978-3-030-58124-4_20

Dewey, J. (1938). Experience and Education. Macmillan Company.

Dogan, M. E., Goru Dogan, T. y Bozkurt, A. (2023). The Use of Artificial Intelligence (AI) in Online Learning and Distance Education Processes: A Systematic Review of Empirical Studies. Applied Sciences, 13(5), 3056. https://doi.org/10.3390/app13053056

Emara, N., Ali, N. y Abu Khurma, O. (2023). Adaptive Learning Framework (Alef) in UAE Public Schools from the Parents’ Perspective. Social Sciences, 12(5), 297. https://doi.org/10.3390/socsci12050297

Embarak, O. H. (2022). Internet of Behaviour (IoB)-based AI models for personalized smart education systems. Procedia Computer Science, 203, 103-110. https://doi.org/10.1016/j.procs.2022.07.015

Ennouamani, S. y Mahani, Z. (2017). An overview of adaptive e-learning systems. 2017 Eighth International Conference on Intelligent Computing and Information Systems (ICICIS), 342-347. https://doi.org/10.1109/INTELCIS.2017.8260060

Essa, S. G., Celik, T. y Human-Hendricks, N. E. (2023). Personalized Adaptive Learning Technologies Based on Machine Learning Techniques to Identify Learning Styles: A Systematic Literature Review. IEEE Access, 11, 48392-48409. https://doi.org/10.1109/ACCESS.2023.3276439

Faure, P. (1959). Pour une École de la Personne. Éditions du Seuil.

Finch, D. y Jacobs, K. (2012). Online Education: Best Practices to Promote Learning. Proceedings of the Human Factors and Ergonomics Society Annual Meeting, 56(1), 546-550. https://doi.org/10.1177/1071181312561114

Gan, B., Zhang, C., Dong, Q. y Sun, W. (2021). Design of online course knowledge recommendation system based on improved learning diagnosis model. Journal of Physics: Conference Series, 1861(1). https://doi.org/10.1088/1742-6596/1861/1/012052

García Aretio, L. (2020). Bosque semántico: ¿educación/enseñanza/aprendizaje a distancia, virtual, en línea, digital, eLearning…? RIED-Revista Iberoamericana de Educación a Distancia, 23(1), 9-23. https://doi.org/10.5944/ried.23.1.25495

Gligorea, I., Cioca, M., Oancea, R., Gorski, A.-T., Gorski, H. y Tudorache, P. (2023). Adaptive Learning Using Artificial Intelligence in e-Learning: A Literature Review. Education Sciences, 13(12), 1216. https://doi.org/10.3390/educsci13121216

González Boticario, J. y Díaz Rozo, M. I. (2018). Aspectos clave de un Sistema Adaptativo que trata la implicación del estudiante en el Aprendizaje de la programación Recursiva mediante el tratamiento de aspectos afectivos y cognitivos. En M. del C. Ortega Navas (Ed.), Innovación educativa en la era digital (pp. 31-35).

Grant, M. J. y Booth, A. (2009). A typology of reviews: an analysis of 14 review types and associated methodologies. Health Information & Libraries Journal, 26(2), 91–108. https://doi.org/10.1111/j.1471-1842.2009.00848.x

Haniya, S., Tzirides, A. O., Georgiadou, K., Montebello, M., Kalantzis, M. y Cope, B. (2020). Assessment Innovation in Higher Education by Integrating Learning Analytics. International Journal of Learning and Teaching, 6(1), 53-57. https://doi.org/10.18178/ijlt.6.1.53-57

Haq, I. U., Anwar, A., Basharat, I. y Sultan, K. (2020). Intelligent Tutoring Supported Collaborative Learning (ITSCL): A Hybrid Framework. International Journal of Advanced Computer Science and Applications, 11(8). https://doi.org/10.14569/IJACSA.2020.0110866

Hmedna, B., Mezouary, A. E. y Baz, O. (2020). A predictive model for the identification of learning styles in MOOC environments. Cluster Computing, 23(2), 1303-1328. https://doi.org/10.1007/s10586-019-02992-4

Hobert, S. y Meyer von Wolff, R. (2019). Say hello to your new automated tutor—a structured literature review on pedagogical conversational agents. 14th International Conference on Wirtschaftsinformatik, 301-314.

Ilić, M., Mikić, V., Kopanja, L. y Vesin, B. (2023). Intelligent techniques in e-learning: a literature review. Artificial Intelligence Review, 56(12), 14907-14953. https://doi.org/10.1007/s10462-023-10508-1

Ingkavara, T., Panjaburee, P., Srisawasdi, N. y Sajjapanroj, S. (2022). The use of a personalized learning approach to implementing self-regulated online learning. Computers and Education: Artificial Intelligence, 3. https://doi.org/10.1016/j.caeai.2022.100086

Jando, E., Meyliana, Hidayanto, A. N., Prabowo, H., Warnars, H. L. H. S. y Sasmoko. (2017). Personalized E-learning Model: A systematic literature review. 2017 International Conference on Information Management and Technology (ICIMTech), 238-243. https://doi.org/10.1109/ICIMTech.2017.8273544

Kaiss, W., Mansouri, K. y Poirier, F. (2023). Effectiveness of an Adaptive Learning Chatbot on Students’ Learning Outcomes Based on Learning Styles. International Journal of Emerging Technologies in Learning (IJET), 18(13), 250-261. https://doi.org/10.3991/ijet.v18i13.39329

Kaliwal, R. B. y Deshpande, S. L. (2021). Design of Intelligent E-Learning Assessment Framework Using Bayesian Belief Network. Journal of Engineering Education Transformations, 34, 651-658. https://doi.org/10.16920/jeet/2021/v34i0/157238

Kanaki, K., Kalogiannakis, M., Poulakis, E. y Politis, P. (2022). Employing Mobile Technologies to Investigate the Association Between Abstraction Skills and Performance in Environmental Studies in Early Primary School. International Journal of Interactive Mobile Technologies (IJIM), 16(6), 241-249. https://doi.org/10.3991/ijim.v16i06.28391

Kar, S. P., Das, A. K., Chatterjee, R. y Mandal, J. K. (2023). Assessment of learning parameters for students’ adaptability in online education using machine learning and explainable AI. Education and Information Technologies, 29(6), 7553-7568. https://doi.org/10.1007/s10639-023-12111-x

Kardan, A. A., Aziz, M. y Shahpasand, M. (2015). Adaptive systems: a content analysis on technical side for e-learning environments. Artificial Intelligence Review, 44(3), 365-391. https://doi.org/10.1007/s10462-015-9430-1

Kilpatrick, W. H. (1918). The Project Method. The use of the Purposeful Act in the Educative Process. Teachers College Record, 19(4), 319-335. https://doi.org/10.1177/016146811801900404

Kim, J., Jo, I.-H. y Park, Y. (2016). Effects of learning analytics dashboard: analyzing the relations among dashboard utilization, satisfaction, and learning achievement. Asia Pacific Education Review, 17(1), 13-24. https://doi.org/10.1007/s12564-015-9403-8

Krechetov, I. y Romanenko, V. (2020). Implementing the Adaptive Learning Techniques. Voprosy Obrazovaniya / Educational Studies Moscow, 2, 252-277. https://doi.org/10.17323/1814-9545-2020-2-252-277

Kushnarev, S., Kang, K. y Goyal, S. (2020). Assessing the Efficacy of Personalized Online Homework in a First-Year Engineering Multivariate Calculus Course. 2020 IEEE International Conference on Teaching, Assessment, and Learning for Engineering (TALE), 770-773. https://doi.org/10.1109/TALE48869.2020.9368417

Lee, C.-S., Wang, M.-H., Ciou, Z.-H., Chang, R.-P., Tsai, C.-H., Chen, S.-C., Huang, T.-X., Sato-Shimokawara, E. y Yamaguchi, T. (2021). Robotic Assistant Agent for Student and Machine Co-Learning on AI-FML Practice with AIoT Application. 2021 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), 1-6. https://doi.org/10.1109/FUZZ45933.2021.9494417

Lhafra, F. Z. y Abdoun, O. (2023). Integration of evolutionary algorithm in an agent-oriented approach for an adaptive e-learning. International Journal of Electrical and Computer Engineering (IJECE), 13(2). https://doi.org/10.11591/ijece.v13i2.pp1964-1978

Li, K. C. y Wong, B. T.-M. (2021). Features and trends of personalised learning: a review of journal publications from 2001 to 2018. Interactive Learning Environments, 29(2), 182-195. https://doi.org/10.1080/10494820.2020.1811735

Lihua, B. (2021). Personalized adaptive online learning analysis model based on feature extraction and its implementation. Journal of Physics: Conference Series, 1982(1). https://doi.org/10.1088/1742-6596/1982/1/012180

Liu, H., Huang, K. y Jia, L. (2019). Personalized Learning Resource Recommendation Algorithm of Mobile Learning Terminal. 2019 15th International Conference on Computational Intelligence and Security (CIS), 137-141. https://doi.org/10.1109/CIS.2019.00037

López Jiménez, J. J. (2023). Sistema de retroalimentación inteligente basado en conocimiento común para la enseñanza virtual tutorizada [Tesis doctoral]. Universidad de Murcia.

López-Zambrano, J. (2021). Modelos genéricos para la predicción de las notas finales en cursos a partir de la información de interacción de los estudiantes con el sistema Moodle [Tesis doctoral]. Universidad de Córdoba.

Lu, T., Shen, X., Liu, H., Chen, B., Chen, L. y Yu, L. (2021). A Framework of AI-based Intelligent Adaptive Tutoring System. 2021 16th International Conference on Computer Science & Education (ICCSE), 726-731. https://doi.org/10.1109/ICCSE51940.2021.9569273

Ma, Y., Wang, L., Zhang, J., Liu, F. y Jiang, Q. (2023). A Personalized Learning Path Recommendation Method Incorporating Multi-Algorithm. Applied Sciences, 13(10), 5946. https://doi.org/10.3390/app13105946

Macías Villarreal, J. C., Molina-Montalvo, H. I. y Castro López, J. R. (2024). Adopción de las TIC como herramientas de enseñanza en una universidad pública derivado de la contingencia sanitaria covid-19. RIDE Revista Iberoamericana para la Investigación y el Desarrollo Educativo, 14(28). https://doi.org/10.23913/ride.v14i28.1761

Mamcenko, J. y Kurilovas, E. (2017). On using learning analytics to personalise learning in virtual learning environments. European Conference on E-Learning, 353-361. https://doi.org/10.21125/edulearn.2017.0928

Mangaroska, K., Vesin, B. y Giannakos, M. (2019). Elo-Rating Method: Towards Adaptive Assessment in E-Learning. 2019 IEEE 19th International Conference on Advanced Learning Technologies (ICALT), 380-382. https://doi.org/10.1109/ICALT.2019.00116

Mangaroska, K., Vesin, B., Kostakos, V., Brusilovsky, P. y Giannakos, M. N. (2021). Architecting Analytics Across Multiple E-Learning Systems to Enhance Learning Design. IEEE Transactions on Learning Technologies, 14(2), 173-188. https://doi.org/10.1109/TLT.2021.3072159

Martín Coronel, E. O. (2022). Metodología para usar un sistema tutorial inteligente en la asignatura Inteligencia Artificial en Entornos Virtuales. Serie Científica De La Universidad De Las Ciencias Informáticas, 15(12), 148-164.

McCarthy, J. (2007). What is Artificial Intelligence?https://www-formal.stanford.edu/jmc/whatisai.pdf

Montessori, M. (1912). The Montessori Method. Frederick A. Stokes Company.

Montoya Pérez, D. y Mateus Santiago, S. P. (2018). Implementación de Redes Neuronales Artificiales en un Sistema Tutorial Inteligente orientado al aprendizaje del álgebra. Virtu@lmente, 6(1), 73-81. https://doi.org/10.21158/2357514x.v6.n1.2018.2106

Moore, M. G. y Kearsley, G. (2012). Distance Education: A Systems View of Online Learning (3rd ed.). Wadsworth Cengage Learning.

Murphy, H. E. (2017). Digitalizing paper-based exams: an assessment of programming grading assistant. Proceedings of the 2017 ACM SIGCSE Technical Symposium on Computer Science Education, 775-776. https://doi.org/10.1145/3017680.3022448

Muse, H., Bulathwela, S. y Yilmaz, E. (2023). Pre-Training With Scientific Text Improves Educational Question Generation. Proceedings of AAAI Conference on Artificial Intelligence 2023. https://doi.org/10.1609/aaai.v37i13.27004

OCDE. (2018). Education at a Glance. OECD Publishing. https://doi.org/10.1787/eag-2018-en

Ogunkunle, O. y Qu, Y. (2020). A Data Mining based Optimization of Selecting Learning Material in an Intelligent Tutoring System for Advancing STEM Education. 2020 International Conference on Computational Science and Computational Intelligence (CSCI), 904-909. https://doi.org/10.1109/CSCI51800.2020.00169

Ojeda Castelo, J. J. (2022). Un modelo inteligente de interacción natural adaptativo basado en visión artificial [Tesis doctoral]. Universidad de Almería.

Özyurt, Ö. y Özyurt, H. (2015). Learning style based individualized adaptive e-learning environments: Content analysis of the articles published from 2005 to 2014. Computers in Human Behavior, 52, 349-358. https://doi.org/10.1016/j.chb.2015.06.020

Palomares Marín, M. del M. (2021). El español como lengua extranjera en aplicaciones adaptativas y multimedia: el caso de Duolingo [Tesis doctoral]. Universidad de Murcia.

Pane, J. F., Steiner, E. D., Baird, M. D. y Hamilton, L. S. (2015). Continued progress: Promising evidence on personalized learning. RAND Corporation. https://doi.org/10.7249/RR1365

Pardamean, B., Suparyanto, T., Cenggoro, T. W., Sudigyo, D. y Anugrahana, A. (2022). AI-Based Learning Style Prediction in Online Learning for Primary Education. IEEE Access, 10, 35725-35735. https://doi.org/10.1109/ACCESS.2022.3160177

Peng, H., Ma, S. y Spector, J. M. (2019). Personalized Adaptive Learning: An Emerging Pedagogical Approach Enabled by a Smart Learning Environment. En M. Chang (Ed.), Foundations and Trends in Smart Learning. Lecture Notes in Educational Technology (pp. 171-176). https://doi.org/10.1007/978-981-13-6908-7_24

Picciano, A. G. (2017). Theories and Frameworks for Online Education: Seeking an Integrated Model. Online Learning, 21(3), 166-190. https://doi.org/10.24059/olj.v21i3.1225

Rincon-Flores, E. G., Lopez-Camacho, E., Mena, J. y Olmos, O. (2022). Teaching through Learning Analytics: Predicting Student Learning Profiles in a Physics Course at a Higher Education Institution. International Journal of Interactive Multimedia and Artificial Intelligence, 7(7). https://doi.org/10.9781/ijimai.2022.01.005

Romero Alonso, R. E. y Anzola Vera, J. J. (2022). Modelo para la progresión académica de estudiantes online en Educación Superior. Cuadernos de Investigación Educativa, 13(1). https://doi.org/10.18861/cied.2022.13.1.3181

Rooein, D. (2019). Data-Driven Edu Chatbots. Companion Proceedings of the 2019 World Wide Web Conference, 46-49. https://doi.org/10.1145/3308560.3314191

Russell, S. y Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Prentice Hall.

Saldaña, J. (2013). The Coding Manual for Qualitative Researchers (2nd ed.). SAGE Publications.

Saltos-Rivas, R., Novoa-Hernández, P. y Serrano Rodríguez, R. (2022). How Reliable and Valid are the Evaluations of Digital Competence in Higher Education: A Systematic Mapping Study. SAGE Open, 12(1), 1-14. https://doi.org/10.1177/21582440211068492

Sanchez-Santillan, M., Paule-Ruiz, M. P., Cerezo, R. y Alvarez-Garcia, V. (2016). MeL: Modelo de adaptación dinámica del proceso de aprendizaje en eLearning. Anales de Psicología, 32(1), 106-114. https://doi.org/10.6018/analesps.32.1.195071

Sapsai, I., Valencia Usme, Y. P. y Abke, J. (2023). Learning Analytics Dashboard for Educators: Proposed Project to Design with Pedagogical Background. Proceedings of the 5th European Conference on Software Engineering Education, 38-47. https://doi.org/10.1145/3593663.3593686

Seo, K., Tang, J., Roll, I., Fels, S. y Yoon, D. (2021). The impact of artificial intelligence on learner–instructor interaction in online learning. International Journal of Educational Technology in Higher Education, 18(54). https://doi.org/10.1186/s41239-021-00292-9

Sharma, K., Giannakos, M. y Dillenbourg, P. (2020). Eye-tracking and artificial intelligence to enhance motivation and learning. Smart Learning Environments, 7(1). https://doi.org/10.1186/s40561-020-00122-x

Sharma, K., Papamitsiou, Z. y Giannakos, M. (2019). Building pipelines for educational data using AI and multimodal analytics: A “grey‐box” approach. British Journal of Educational Technology, 50(6), 3004-3031. https://doi.org/10.1111/bjet.12854

Shvetsov, A. N., Sergushicheva, A. P., Andrianov, I. A., Kharina, M. V. y Zaslavskaya, O. Y. (2020). Student model implementation in the digital educational environment for IT specialists training. Journal of Physics: Conference Series, 1691(1). https://doi.org/10.1088/1742-6596/1691/1/012080

Silva, B., Reis, A., Sousa, J., Solteiro Pires, E. J. y Barroso, J. (2022). Enhancing higher education tutoring with artificial intelligence inference. 14th International Conference on Education and New Learning Technologies, 1609-1613. https://doi.org/10.21125/edulearn.2022.0426

Soui, M. (2021). Intelligent Personalized E-Learning Platform using Evolutionary Algorithms. 2021 8th International Conference on ICT & Accessibility (ICTA), 1-8. https://doi.org/10.1109/ICTA54582.2021.9809434

Staller, K. M. (2015). Qualitative analysis: The art of building bridging relationships. Qualitative Social Work, 14(2), 145-153. https://doi.org/10.1177/1473325015571210

Standen, P. J., Brown, D. J., Taheri, M., Galvez Trigo, M. J., Boulton, H., Burton, A., Hallewell, M. J., Lathe, J. G., Shopland, N., Blanco Gonzalez, M. A., Kwiatkowska, G. M., Milli, E., Cobello, S., Mazzucato, A., Traversi, M. y Hortal, E. (2020). An evaluation of an adaptive learning system based on multimodal affect recognition for learners with intellectual disabilities. British Journal of Educational Technology, 51(5), 1748-1765. https://doi.org/10.1111/bjet.13010

Talaghzi, J., Bennane, A., Himmi, M. M., Bellafkih, M. y Benomar, A. (2020). Online Adaptive Learning: A Review of Literature. Proceedings of the 13th International Conference on Intelligent Systems: Theories and Applications, 1-6. https://doi.org/10.1145/3419604.3419759

Tang, K.-Y., Chang, C.-Y. y Hwang, G.-J. (2021). Trends in artificial intelligence-supported e-learning: a systematic review and co-citation network analysis (1998–2019). Interactive Learning Environments, 31(4), 2134–2152. https://doi.org/10.1080/10494820.2021.1875001

Tenório, T., Isotani, S., Bittencourt, I. I. y Lu, Y. (2021). The State-of-the-Art on Collective Intelligence in Online Educational Technologies. IEEE Transactions on Learning Technologies, 14(2), 257-271. https://doi.org/10.1109/TLT.2021.3073559

Thomas, D. R., Gupta, S., Gatz, E., Tipper, C. y Koedinger, K. R. (2023). So You Want to Be a Tutor? Professional Development and Scenario-Based Training for Adult Tutors. En D. Guralnick, M. E. Auer, y A. Poce (Eds.), Creative Approaches to Technology-Enhanced Learning for the Workplace and Higher Education. TLIC 2023. Lecture Notes in Networks and Systems (pp. 537-547). https://doi.org/10.1007/978-3-031-41637-8_44

Traxler, J. (2018). Distance Learning—Predictions and Possibilities. Education Sciences, 8(1), 35. https://doi.org/10.3390/educsci8010035

Troussas, C., Krouska, A. y Virvou, M. (2019). Adaptive e-learning interactions using dynamic clustering of learners’ characteristics. 2019 10th International Conference on Information, Intelligence, Systems and Applications (IISA), 1-7. https://doi.org/10.1109/IISA.2019.8900722

Tsai, S.-C., Chen, C.-H., Shiao, Y.-T., Ciou, J.-S. y Wu, T.-N. (2020). Precision education with statistical learning and deep learning: a case study in Taiwan. International Journal of Educational Technology in Higher Education, 17(12). https://doi.org/10.1186/s41239-020-00186-2

Vanitha, V., Krishnan, P. y Elakkiya, R. (2019). Collaborative optimization algorithm for learning path construction in E-learning. Computers & Electrical Engineering, 77, 325-338. https://doi.org/10.1016/j.compeleceng.2019.06.016

Vasilateanu, A. y Turcus, A. G. (2019). Chatbot for continuous mobile learning. 11th International Conference on Education and New Learning Technologies. https://doi.org/10.21125/edulearn.2019.0525

Veeramanickam, M. R. M., Dabade, M. S., Murty, S. R., Borhade, R. R., Barekar, S. S., Navarro, C., Roman-Concha, U. y Rodriguez, C. (2023). Smart education system to improve the learning system with CBR based recommendation system using IoT. Heliyon, 9(7), e17863. https://doi.org/10.1016/j.heliyon.2023.e17863

Ventura, M. D. (2022). A Self-adaptive Learning Music Composition Algorithm as Virtual Tutor. En I. Maglogiannis, L. Iliadis, J. Macintyre, y P. Cortez (Eds.), Artificial Intelligence Applications and Innovations. AIAI 2022. IFIP Advances in Information and Communication Technology (pp. 16-26). https://doi.org/10.1007/978-3-031-08333-4_2

Wang, S., Wu, H., Kim, J. H. y Andersen, E. (2019). Adaptive Learning Material Recommendation in Online Language Education. The 20th International Conference on Artificial Intelligence in Education (AIED), 298-302. https://doi.org/10.1007/978-3-030-23207-8_55

Wang, W. y Yang, H. (2020). A teaching method of deaf-mute based on artificial intelligence. 12th International Conference on Education and New Learning Technologies Online Conference, 4917-4923. https://doi.org/10.21125/edulearn.2020.1288

Wu, T.-T., Lee, H.-Y., Wang, W.-S., Lin, C.-J. y Huang, Y.-M. (2023). Leveraging computer vision for adaptive learning in STEM education: effect of engagement and self-efficacy. International Journal of Educational Technology in Higher Education, 20, 53. https://doi.org/10.1186/s41239-023-00422-5

Xiaogang, L. (2019). A Research on Distance Education System Based on Artificial Intelligence Technology. International Conference on Big Data and Artificial Intelligence (ICBDAI 2018).

Xie, H., Chu, H.-C., Hwang, G.-J. y Wang, C.-C. (2019). Trends and development in technology-enhanced adaptive/personalized learning: A systematic review of journal publications from 2007 to 2017. Computers & Education, 140. https://doi.org/10.1016/j.compedu.2019.103599

Yang, Y., Dolly, R. J., Alassafi, M. O., Slowik, A. y Alsaadi, F. E. (2023). Multi-source and heterogeneous online music education mechanism: an artificial intelligence-driven approach. Fractals, 31(06). https://doi.org/10.1142/S0218348X23401540

Yao, C.-B. y Wu, Y.-L. (2022). Intelligent and Interactive Chatbot Based on the Recommendation Mechanism to Reach Personalized Learning. International Journal of Information and Communication Technology Education, 18(1), 1-23. https://doi.org/10.4018/IJICTE.315596

Zawacki-Richter, O., Marín, V. I., Bond, M. y Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – where are the educators? International Journal of Educational Technology in Higher Education, 16(1), 39-66. https://doi.org/10.1186/s41239-019-0171-0

Zine, O., Derouich, A. y Talbi, A. (2019). A Comparative Study of the Most Influential Learning Styles used in Adaptive Educational Environments. International Journal of Advanced Computer Science and Applications, 10(11), 520-528. https://doi.org/10.14569/IJACSA.2019.0101171